論文の概要: CodeGraph: Open-Taxonomy Knowledge Graph for Source Code with Wikidata Grounding
- arxiv url: http://arxiv.org/abs/2609.29474v1
- Date: Thu, 24 Sep 2026 12:31:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 21:10:09.925977
- Title: CodeGraph: Open-Taxonomy Knowledge Graph for Source Code with Wikidata Grounding
- Title（参考訳）: CodeGraph:Wikidata Groundingを使ったオープンソースコードのためのオープンソースタキソノミー知識グラフ
- Abstract要約: 本稿では,ソースコードのオープン・タコノミー・セマンティック・アノテーションを構築するためのパイプラインを提案する。
当社のパイプラインをStack-Eduコーパスの1億6700万ファイルに適用し、ソースコードのための最初の大規模オープンタコノミー知識グラフを作成しました。
- 参考スコア（独自算出の注目度）: 4.391893817074178
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Public software repositories, like GitHub and Software Heritage Archive, store billions of files, yet extracting their implicit engineering knowledge ---i.e., the algorithms they implement, the paradigms they follow, the patterns they instantiate, and the application domains they serve--- remains challenging, as current tools are constrained to syntactic and token-level analysis. We present a pipeline for building an open-taxonomy semantic annotation of source code using a code-specialised Large Language Model. The extracted entities are grounded in Wikidata through a three-stage linking procedure: a deterministic SPARQL stage handles unambiguous entities, a Deep Research Agent resolves the residual long tail, and a hierarchy-rollup stage imports the parent-of closure of each resolved Wikidata identifier. The resulting annotations are materialised as a source-code-specific open-taxonomy knowledge graph. We further introduce a calibrated quality-assurance protocol that quantifies annotation precision by combining a small human gold set with an LLM-as-a-judge filter. We applied our pipeline to the 167 million files of the Stack-Edu corpus, creating the first known large-scale open-taxonomy knowledge graph for source code. Our graph, named CodeGraph, contains approximately 158 million nodes, which include around 145 million files, about 63,000 extracted concept entities (such as algorithms, paradigms, design patterns, and application domains), and roughly 19,800 grounded Wikidata entities. Furthermore, CodeGraph features approximately 1 billion typed edges that connect files to their respective concepts, link these concepts to their grounded Wikidata identifiers, and relate them to their parent categories, covering 14 programming languages.
- Abstract（参考訳）: GitHubやSoftware Heritage Archiveのような公開ソフトウェアリポジトリは、数十億のファイルを格納するが、それらが実装するアルゴリズム、従うパラダイム、インスタンス化されるパターン、そしてそれらが提供するアプリケーションドメインといった、暗黙のエンジニアリング知識を抽出する。
本稿では,ソースコードのオープン・タコノミー・セマンティック・アノテーションを構築するためのパイプラインを提案する。
抽出されたエンティティは、3段階のリンク手順によりWikidataに接地される:決定論的SPARQLステージは曖昧なエンティティを処理し、Deep Research Agentは残余の長い尾を解決し、階層的なロールアップステージは各解決されたWikidata識別子の親のクロージャをインポートする。
得られたアノテーションは、ソースコード固有のオープンタコノミー知識グラフとして実現されている。
さらに,LDM-as-a-judgeフィルタと小型の人間の金セットを組み合わせることで,アノテーションの精度を定量化する品質保証プロトコルを導入する。
当社のパイプラインをStack-Eduコーパスの1億6700万ファイルに適用し、ソースコードのための最初の大規模オープンタコノミー知識グラフを作成しました。
CodeGraphという名前のグラフには、約1億4500万のファイル、約63,000の抽出された概念エンティティ(アルゴリズム、パラダイム、デザインパターン、アプリケーションドメインなど)、約19,800の接地されたWikidataエンティティが含まれています。
さらに、CodeGraphは、ファイルとそれぞれの概念を結びつける約10億の型付きエッジを備えており、それらの概念を基盤となるウィキデータ識別子にリンクし、それを14のプログラミング言語をカバーする親カテゴリに関連付けている。
関連論文リスト
- From Code Archival to Knowledge Graph: Bridging Software Heritage, COAR Notify and Wikidata [0.4468952886990851]
ソフトウェアは第一級の科学的対象であるが、ソースコードと学術的記録の間のリンクは、Linked Open Dataクラウドにはほとんど欠落している。
本稿では,論文とソースコードのリンクが明示的かつ編集的に検証されているソースから,出版とリポジトリのペアを抽出し,検証し,モデル化する,エンドツーエンドの和解パイプラインを提案する。
論文 参考訳（メタデータ） (2026-09-18T12:03:19Z) - Diagnosing and Mitigating Semantic Inconsistencies in Wikidata's Classification Hierarchy [1.4705700441788643]
Wikidataはウェブ上で最大のオープンナレッジグラフであり、1億2000万以上のエンティティを含んでいる。
本研究では,分類誤りと過一般化サブクラスリンクの存在を確認するために,新しい検証手法を提案し,適用した。
ユーザが任意のウィキデータエンティティの分類関係を検査できるシステムを開発した。
論文 参考訳（メタデータ） (2025-11-07T02:09:00Z) - Align-GRAG: Reasoning-Guided Dual Alignment for Graph Retrieval-Augmented Generation [79.75818239774952]
大きな言語モデル(LLM)は目覚ましい能力を示しているが、幻覚や時代遅れの情報といった問題に苦戦している。
Retrieval-augmented Generation (RAG) は、情報検索システム(IR)を用いて、外部知識のLLM出力を基底にすることで、これらの問題に対処する。
本稿では、検索後句における新しい推論誘導二重アライメントフレームワークであるAlign-GRAGを提案する。
論文 参考訳（メタデータ） (2025-05-22T05:15:27Z) - Ontology-grounded Automatic Knowledge Graph Construction by LLM under Wikidata schema [60.42231674887294]
本稿では,Large Language Models (LLMs) を用いた知識グラフ構築のためのオントロジー的アプローチを提案する。
我々は、一貫性と解釈可能性を確保するために、抽出された関係に基づいて、著者によるオントロジーによるKGの基底生成を行う。
我々の研究は、人間の介入を最小限に抑えたスケーラブルなKG建設パイプラインの実現に向けて有望な方向を示し、高品質で人間に解釈可能なKGを生み出す。
論文 参考訳（メタデータ） (2024-12-30T13:36:05Z) - CypherBench: Towards Precise Retrieval over Full-scale Modern Knowledge Graphs in the LLM Era [4.369550829556578]
我々はCypherBenchを紹介した。CypherBenchは11の大規模マルチドメインプロパティグラフを持つ最初のベンチマークで、780万のエンティティと10,000以上の質問がある。
本稿では,Cypher を用いて LLM で効率的にクエリ可能な RDF グラフの上のプロパティグラフビューを提案する。
論文 参考訳（メタデータ） (2024-12-24T23:22:04Z) - Enriching Wikidata with Linked Open Data [4.311189028205597]
現在のリンクされたオープンデータ(LOD)ツールは、Wikidataのような大きなグラフの強化には適していない。
本稿では、ギャップ検出、ソース選択、スキーマアライメント、セマンティックバリデーションを含む新しいワークフローを提案する。
実験の結果,我々のワークフローは,高品質な外部LODソースからの数百万の新規ステートメントでWikidataを豊かにすることができることがわかった。
論文 参考訳（メタデータ） (2022-07-01T01:50:24Z) - Improving Candidate Retrieval with Entity Profile Generation for
Wikidata Entity Linking [76.00737707718795]
本稿では,エンティティ・プロファイリングに基づく新しい候補探索パラダイムを提案する。
我々は、このプロファイルを使用してインデックス付き検索エンジンに問い合わせ、候補エンティティを検索する。
本手法は,ウィキペディアのアンカーテキスト辞書を用いた従来の手法を補完するものである。
論文 参考訳（メタデータ） (2022-02-27T17:38:53Z) - Taxonomy Enrichment with Text and Graph Vector Representations [61.814256012166794]
我々は,既存の分類学に新たな語を加えることを目的とした分類学の豊かさの問題に対処する。
我々は,この課題に対して,少ない労力で高い結果を得られる新しい手法を提案する。
我々は、異なるデータセットにわたる最先端の結果を達成し、ミスの詳細なエラー分析を提供する。
論文 参考訳（メタデータ） (2022-01-21T09:01:12Z) - Assessing the quality of sources in Wikidata across languages: a hybrid
approach [64.05097584373979]
いくつかの言語でラベルを持つWikidataのトリプルからサンプルした参照コーパスの大規模なコーパスを評価するために,一連のマイクロタスク実験を実施している。
クラウドソースアセスメントの統合されたバージョンを使用して、いくつかの機械学習モデルをトレーニングして、Wikidata全体の分析をスケールアップしています。
この結果はWikidataにおける参照の質の確認に役立ち、ユーザ生成多言語構造化データの品質をWeb上で定義し、取得する際の共通の課題を特定するのに役立ちます。
論文 参考訳（メタデータ） (2021-09-20T10:06:46Z) - Deep Graph Matching and Searching for Semantic Code Retrieval [76.51445515611469]
本稿では,グラフニューラルネットワークに基づくエンドツーエンドのディープグラフマッチングと探索モデルを提案する。
まず、自然言語クエリテキストとプログラミング言語のコードスニペットをグラフ構造化データで表現する。
特に、DGMSは、個々のクエリテキストやコードスニペットのより構造的な情報をキャプチャするだけでなく、それらの微妙な類似性も学習する。
論文 参考訳（メタデータ） (2020-10-24T14:16:50Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。